GitHub 开源超详细的 AI 学习路线图，数天获 5.4K 星！

   
 
 
    公众号关注 
 
    “ 
 
    杰哥的IT之旅 
 
    ”， 
 
     

   
 
    
    
     
     
              
     
 
    

  
     
     
      
      
               
      
  
     选择“
  
     
     
      
      
               
      
  
     星标
  
     
     
      
      
               
      
  
     ”，
  
     
     
      
      
               
      
  
     重磅干货，第一
  
     
     
      
      
               
      
  
     时间送达！
 
    
    
     
     
              
     
 
    
 
    
    
     
     
              
     
 
    

  
     
     
      
      
               
      
  
     

 
    
    
     
     
              
     
 
    

来自机器之心

想从事人工智能领域的研究，盲目地在网上购买了一本又一本的参考资料，学习视频刷了一遍又一遍…… 反过头来看，这些方法可能做用并非很大，却消耗了大量的时间和金钱。

这时，一种提纲式的学习途径就显得尤其重要了。若是你想成为数据科学家、机器学习或者 AI 专家，而又苦于找不到合适的学习方法，本文将提供一组思路清晰、简单易懂的人工智能专家路线图。

这是一家德国软件公司 AMAI GmbH 近期发布的 GitHub 项目 ——AI 专家路线图（AI-Expert-Roadmap）。该路线图几乎涵盖了 AI 领域全部的知识点，而且每一个知识点都有详细的文档。有了这个路线图的指导，或许能帮助你快速入门乃至成为 AI 领域的佼佼者。该项目上线短短几天，已经收获了 5.4k 星。

项目地址：https://github.com/AMAI-GmbH/AI-Expert-Roadmap

亮点多多的 AI 专家路线图

对学习者很是友好的是，这份 AI 专家路线图是一个互动版本。每一个子模块所列内容均可以连接到指定网站，学习者能够找到词条的维基百科或其余来源的释义和拓展内容。此外，若是有新的研究出现时，该路线图会随时更新。

该路线图旨在给学习者提供关于人工智能的总体概念，并在学习感到困惑时给予指导，而没有鼓励学习者一味地选择最早进、最热门的技术。这是由于在科研中，每一个人都须要了解哪一种工具最适合本身。换言之，最早进、最热门的技术不必定是最适合的。

就这份 AI 专家路线图而言，开发者列出了任何学习路径所必不可少的一些要素，如论文和代码、版本控制、语义化版本控制和更新日志。但就具体选择上，开发者认为在学习 AI 时不该直接过渡到当前热门的技术 —— 深度学习，而应步步为营，并提供了 3 条可供选择的学习路径：数据科学家→机器学习→深度学习…；数据科学家→数据工程师…；大数据工程师→…

按部就班才是「王道」。

AI 专家路线图概览

这部份内容简要总结了 AI 专家路线图，并从如下几个方面着手讲解：数据科学家、机器学习、深度学习、数据工程师以及大数据工程师。这 5 部份内容都有详细的学习路线图，点击图表任意模块，都会连接到对应的内容。

数据科学家路线图

在数据科学家路线图中，咱们能够了解到进行 AI 研究所须要的基础：矩阵和线性代数、数据库、表格数据、数据格式（JSON、XML、CSV）、正则表达式等等。

在统计学方面，该路线图涵盖了几率论、几率分布、估计、假设检验、置信区间、大数定律、蒙特卡罗方法等等。

在 Python 编程方面，该路线图展现了 Python 基础、比较重要的 Python 库以及所需运行环境等。

在数据来源方面，学习者点击「Awesome Public Datasets」图标，就能够连接到整理好的公共数据集等。接着过渡到可视化和探索性数据分析 / 转换 / 整理相关内容，最后进入到机器学习和数据工程师两个不一样的方向。

机器学习路线图

机器学习路线图主要分为 4 大部分：基础概念、算法、用例以及所用工具。其中基础概念部分主要包括机器学习中经常使用的概念、梯度降低、训练集、测试集、验证集等基础概念；算法部分列举了 4 类算法：监督学习、无监督学习、集成学习和强化学习；用例部分列举了情感分析、协同过滤、标注和预测；所用工具部分则介绍了 scikit-learn、spacy 等工具。每部份内容都有对应的详细文档。

深度学习路线图

机器学习以后进入到了深度学习，这是第 1 条可选择学习路径的最后部分。深度学习路线图由 4 大部分组成：论文、神经网络、网络架构以及所用工具。论文部分提供了深度学习论文阅读路线图以及 SOTA 论文；神经网络部分提供了一篇详细介绍如何理解神经网络的博客文章；网络架构部分包括感知器、自动编码器、CNN、RNN；所用工具部分主要介绍了 TensorFlow 、PyTorch 等。最后给出建议：保持探索、与时俱进。

数据工程师路线图

在数据科学家路线图以后能够直接进入到数据工程师路线图，这是第 2 条可选择的学习路径。该路线图主要介绍了数据格式、数据发现、数据集成、数据融合、数据调研、数据湖和数据仓库以及如何使用 ETL 等多方面内容。

大数据工程师路线图

大数据工程师路线图是第 3 条可选择的学习路径，主要分为 3 部份内容：大数据架构、遵循的原则以及所用工具。大数据架构部分主要讲述了大数据分析架构模式和最佳实践；遵循的原则包括数据库管理系统中的数据复制，以及 Hadoop 中 NameNode 和 DataNode 的区别等；所用工具则介绍了 Hadoop、Spark 等。

参考连接：https://i.am.ai/roadmap/#data-science-roadmap

---

若是您以为这篇文章对您有点用的话，麻烦您为本文来个四连：转发分享、点赞、点在看、留言，由于这将是我写做与分享更多优质文章的最强动力！

---

本公众号所有博文已整理成一个目录，请在公众号后台回复「m」获取！

推荐阅读：

一、 原创专辑 | GitHub 开源项目
二、 经常使用的 Git 命令清单
三、 GitHub 下载神器强势回归！
四、 太赞了！一份适合程序员的精选面试题清单。
五、 Linux 终端下记不住命令的使用方法？这个开源项目帮你解决。
六、 GitHub 标星 2.5K+！教你经过玩游戏的方式学习 VIM！

关注微信公众号「 杰哥的IT之旅」，后台回复「 1024」查看更多内容，回复「 加群」 备注：地区-职业方向-昵称 便可加入读者交流群。

     
 
 
      
  
       
       
        
        
                 
        
  
       

   
        
        
         
         
                  
         
   
        
 
         
 
          
 
           
 
            
 
             
 
               
             
 
             
 
              点个[在看]，是对杰哥最大的支持！ 
             
 
             

 
            
 
           
 
          
 
         
 
        
  
       
       
        
        
                 
        
  
       
 

     

本文分享自微信公众号 - 杰哥的IT之旅（Jake_Internet）。
若有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一块儿分享。